論文の概要: Graph Based Multi-layer K-means++ (G-MLKM) for Sensory Pattern Analysis in Constrained Spaces

• arxiv url: http://arxiv.org/abs/2009.09925v1
• Date: Mon, 21 Sep 2020 14:52:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 04:13:46.045019
• Title: Graph Based Multi-layer K-means++ (G-MLKM) for Sensory Pattern Analysis in Constrained Spaces
• Title（参考訳）: 制約空間における知覚パターン解析のためのグラフベース多層K-means++(G-MLKM)
• Authors: Feng Tao, Rengan Suresh, Johnathan Votion, and Yongcan Cao
• Abstract要約: 我々は、グラフベースのマルチレイヤk-means++(G-MLKM)という、教師なしの機械学習アルゴリズムの開発に注力する。 G-MLKMは統計確率に基づく従来のデータターゲットアソシエーション方式を採用する代わりに、データクラスタリングによってこの問題を解決する。
• 参考スコア（独自算出の注目度）: 0.755972004983746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on developing a novel unsupervised machine learning algorithm, named graph based multi-layer k-means++ (G-MLKM), to solve data-target association problem when targets move on a constrained space and minimal information of the targets can be obtained by sensors. Instead of employing the traditional data-target association methods that are based on statistical probabilities, the G-MLKM solves the problem via data clustering. We first will develop the Multi-layer K-means++ (MLKM) method for data-target association at local space given a simplified constrained space situation. Then a p-dual graph is proposed to represent the general constrained space when local spaces are interconnected. Based on the dual graph and graph theory, we then generalize MLKM to G-MLKM by first understanding local data-target association and then extracting cross-local data-target association mathematically analyze the data association at intersections of that space. To exclude potential data-target association errors that disobey physical rules, we also develop error correction mechanisms to further improve the accuracy. Numerous simulation examples are conducted to demonstrate the performance of G-MLKM.
• Abstract（参考訳）: 本稿では,制約空間上をターゲットが移動し,ターゲットの情報が最小限に抑えられるように,グラフベースのマルチレイヤk-means++ (G-MLKM) と呼ばれる新しい教師なし機械学習アルゴリズムの開発に焦点をあてる。 G-MLKMは統計確率に基づく従来のデータターゲットアソシエーション方式を採用する代わりに、データクラスタリングによってこの問題を解決する。 まず,局所空間におけるデータターゲットアソシエーションのためのマルチレイヤK-means++ (MLKM) 手法を開発する。 次に、局所空間が相互接続されるときの一般制約空間を表すために、p-双対グラフが提案される。 次に,2つのグラフとグラフ理論に基づいて局所的データターゲット関連をまず理解し,その空間の交点におけるデータアソシエーションを数学的に解析することにより,MLKMをG-MLKMに一般化する。 物理規則に反する潜在的なデータ・ターゲット関連誤差を排除し,精度向上のための誤り訂正機構を開発する。 G-MLKMの性能を示すためのシミュレーション例を多数行った。

関連論文リスト

• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Imbalanced Data Clustering using Equilibrium K-Means [1.0878040851638]
  セントロイドベースのクラスタリングアルゴリズムは、大規模なクラスタに対する学習バイアスに悩まされている。 本稿では,ボルツマン演算子に基づく新たなクラスタリング目的関数を提案する。 提案された新しいアルゴリズムは平衡K平均 (EKM) と呼ばれ、2つのステップ間で交互に行われる。
  論文  参考訳（メタデータ） (2024-02-22T12:27:38Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Likelihood Adjusted Semidefinite Programs for Clustering Heterogeneous Data [16.153709556346417]
  クラスタリングは広くデプロイされた学習ツールである。 iLA-SDPはEMよりも感度が低く、高次元データでは安定である。
  論文  参考訳（メタデータ） (2022-09-29T21:03:13Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• On the use of Wasserstein metric in topological clustering of distributional data [0.0]
  本稿では,SOM学習に基づくヒストグラムデータのクラスタリングアルゴリズムについて述べる。 これはSOMによる次元減少と、縮小された空間におけるデータのクラスタリングを組み合わせたものである。
  論文  参考訳（メタデータ） (2021-09-09T14:27:15Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。